摘要

跨语言实体对齐（Cross-lingual Entity Alignment, EA）旨在识别跨语言知识图谱（KGs）之间的等价实体，是实现知识图谱融合的关键步骤。近年来，众多基于图神经网络（GNN）的EA方法被提出，并在多个公开数据集上展现出显著的性能提升。然而，现有基于GNN的EA方法不可避免地继承了神经网络固有的可解释性差和计算效率低的问题。受GNN方法中同构性假设的启发，我们成功地将跨语言实体对齐问题转化为一个分配问题（assignment problem）。基于这一发现，我们提出了一种无需神经网络的、简单但高效的无监督实体对齐方法——SEU（Simpler and Effective Unsupervised method）。大量实验结果表明，所提出的无监督方法在所有公开数据集上均超越了先进的监督学习方法，同时具备高效率、强可解释性与良好稳定性。